Mākslīgais intelekts palīdzēs paredzēt ceļu satiksmes negadījumus, pirms tie notiek

Mūsdienu pasaule ir viens liels labirints, ko savieno betona asfalta slāņi, kas ļauj pārvietoties ar automašīnu. Kas attiecas uz lielāko daļu mūsu ar satiksmi saistīto sasniegumu – GPS ļauj izmantot mazāk neironu, pateicoties kartēšanas lietotnēm, kameras brīdina mūs par potenciāli dārgiem skrāpējumiem, un elektriskajām autonomajām automašīnām ir mazāks degvielas patēriņš – kā ar drošības pasākumiem? Mēs joprojām paļaujamies uz mūsu pastāvīgo paļaušanos uz luksoforiem, uzticēšanos un tēraudu, kas mums apkārt, lai droši nokļūtu no punkta A līdz punktam B.

Lai izvairītos no nenoteiktības, kas saistīta ar negadījumiem, zinātnieki no MIT Datorzinātnes un mākslīgā intelekta laboratorijas (CSAIL) un Kataras Mākslīgā intelekta centra (QCAI) ir izstrādājuši dziļas mācīšanās modeli, kas veido ļoti augstas izšķirtspējas negadījumu riska kartes. Pamatojoties uz vēsturisku avāriju datu, ceļu karšu, satelītattēlu un GPS trases kombināciju, riska kartēs ir aprakstīts paredzamais avāriju skaits noteiktā laika periodā nākotnē, lai noteiktu augsta riska zonas un prognozētu nākotnes avārijas.

Parasti šāda veida riska kartes tiek ierakstītas ar daudz zemāku izšķirtspēju, kas svārstās simtiem metru, kas nozīmē, ka nav redzamas svarīgas detaļas. Tomēr šajās kartēs ir piecus reizes piecus metrus lielas režģa šūnas, un augstāka izšķirtspēja nodrošina jaunu skaidrību: zinātnieki ir atklājuši, ka, piemēram, uz automaģistrālēm ir lielāks risks nekā blakus esošiem dzīvojamiem ceļiem.

Lai gan autoavārijas nav īpaši izplatītas, tās izmaksā aptuveni 3% no pasaules IKP un ir galvenais bērnu un jauniešu nāves cēlonis. Šis retums padara šādu augstas izšķirtspējas karšu izveidi par sarežģītu uzdevumu. Taču komandas pieeja paplašina tīklu, lai savāktu nepieciešamos datus. Tas identificē augsta riska vietas, izmantojot GPS trajektorijas modeļus, kas sniedz informāciju par satiksmes blīvumu, ātrumu un virzienu, kā arī satelītattēlus, kas raksturo ceļa struktūras, piemēram, satiksmes joslu skaitu, nomales vai gājēju skaitu. Tad, pat ja augsta riska zonā nav kļūdu, to joprojām var identificēt kā augsta riska zonu, pamatojoties tikai uz satiksmes modeļiem un topoloģiju.

"Mūsu modeli var vispārināt no vienas pilsētas uz otru, apvienojot vairākas norādes no šķietami nesaistītiem datu avotiem. Šis ir solis uz sadarbību mākslīgā intelekta virzienā, jo mūsu modelis var paredzēt negadījumu kartes neatzīmētās teritorijās," saka Amins Sadeghi, Kataras skaitļošanas pētniecības institūta (QCRI) vadošais pētnieks un darba autors.

Pārbaudītā datu kopa aptvēra 7 kv. km no Losandželosas, Ņujorkas, Čikāgas un Bostonas. No četrām pilsētām visbīstamākā bija Losandželosa, jo ir vislielākais avāriju biežums, tai sekoja Ņujorka, Čikāga un Bostona.

"Ja cilvēki var izmantot riska karti, lai identificētu potenciāli augsta riska ceļa zonas, viņi var veikt pasākumus iepriekš, lai samazinātu risku, ko viņi veic. Tādās lietojumprogrammās kā Waze un Apple Kartes, ir rīki darbam ar incidentiem, bet mēs cenšamies paredzēt neveiksmes - pirms tās notiek," - viņi saka zinātnieki

Lasi arī:

• Video: Queclink GL300 apskats — kā darbojas GPS izsekotājs?
• Kas ir GPS: pozicionēšanas sistēmu veidi, kā tas darbojas un kāda ir nākotne